Yapay Zeka, Öğretilmeden Çeviri Yapmayı Öğreniyor

Bu bir bilim kurgu değil, pazarlama dili de değil. Araştırmacılar yıllardır bu tür "kendiliğinden ortaya çıkan" çok dilli yetenekleri belgeliyor. Google'ın çok dilli sinirsel makine çevirisi üzerine yaptığı çalışmalar, birçok dil çiftiyle eğitilen modellerin, hiç doğrudan eğitilmedikleri çiftler arasında "sıfır-atışlı" (zero-shot) çeviri yapabildiğini gösterdi. Bu, her çeviri rotasının açıkça öğretilmesi gerektiği yönündeki eski varsayımda büyük bir çatlaktı. O zamandan beri, internet ölçeğindeki devasa veri setleriyle eğitilen büyük dil modelleri bu fikri daha da ileri taşıdı. GPT tarzı sistemler, Meta'nın çok dilli modelleri ve Llama gibi açık kaynaklı modeller, çeviri tek veya ana görevleri olmasa bile diller arasında çeviri yapabildiklerini, özet çıkarabildiklerini ve soruları yanıtlayabildiklerini gösterdi.

Bu durumun kanıtları en çok kaynak zengini dillerde görülüyor. İngilizce, İspanyolca, Fransızca, Almanca, Çince, Arapça ve bir avuç diğer dil, bu sistemlerin tükettiği çevrimiçi metinlere hakim durumda. DeepMind, Google, Meta ve önde gelen üniversiteler gibi kurumların araştırmaları, çok dilli eğitimin ölçeğini büyütmenin diller arası aktarımı iyileştirdiğini defalarca ortaya koydu. Daha basit bir ifadeyle, birçok dil hakkında yeterince şey öğrenen bir model, her çift için doğrudan örnekler verilmeden de diller arasında anlam haritası çıkarabiliyor. Sonuç neredeyse ürkütücü görünebiliyor. Sistemden bir fikri bir dilden diğerine taşımasını istediğinizde, bunu genellikle yapabiliyor.

Ancak "yapay zeka kendi kendine çeviri öğrenebilir" şeklindeki cazip başlığa dikkatli yaklaşmak gerekiyor. Önce gerçekler: Bu modeller boşlukta öğrenmiyor. Web'den, kitaplardan, kodlardan ve diğer büyük derlemlerden toplanan, insan tarafından üretilmiş metin okyanuslarında eğitiliyorlar. Dili sıfırdan icat etmiyorlar. Yorum: Buna "kendi kendine öğrenme" demek kullanışlı bir kısaltma olsa da yanıltıcı olabilir. Aslında olan şey, modelin çok dilli verilerden o kadar geniş kalıplar çıkarması ki çeviri, genel dil öğreniminin bir yan ürünü haline geliyor. Bu, kulağa geldiği kadar romantik olmasa da pratik anlamda daha önemli olabilir.

Peki bu neden oluyor? Çünkü çeviri sadece bir sözlük eşleştirmesi değildir. Anlam, sözdizimi, bağlam ve dünya bilgisi üzerine bir örüntü eşleştirmesidir. Büyük modeller, yeterli veri ve hesaplama gücü verildiğinde örüntü çıkarmada acımasızca iyidir. Eğer bir sistem aynı özel isimleri, olayları, ürünleri, yerleri ve kavramları birden fazla dilde tekrar tekrar görürse, bunları birbirine bağlayan içsel temsiller oluşturmaya başlar. Araştırmacılar bunu genellikle paylaşılan bir anlamsal alan olarak tanımlar. Bu terim soyut gelebilir ama anlamı basit: model, fikirleri diller arasında taşınabilir olarak görmeye başlar.

Bu durum yapay zekanın ekonomisini değiştiriyor. Geleneksel çeviri sistemleri, paralel verilerin dikkatle seçilmesini gerektiriyordu. Bu, özellikle küçük diller için pahalı ve genellikle kıt bir kaynaktı. Eğer genel amaçlı modeller karışık çok dilli metinlerden bir miktar çeviri yeteneği edinebiliyorsa, şirketler ürünlerini daha hızlı ve ucuza piyasaya sürebilir. İşte bu yüzden bu eğilim laboratuvarın çok ötesinde bir öneme sahip. Arama motorlarını, müşteri hizmetlerini, sosyal medya moderasyonunu, sınır ötesi ticareti, eğitim araçlarını ve sesli asistanları etkiliyor. Çeviri artık tek başına bir özellik değil. Genel yapay zeka sistemlerinin yerleşik bir yeteneği haline geliyor.

Burada demokratikleşme hakkında cazip bir hikaye var. En iyi senaryoda, diller arasında genelleme yapabilen modeller, daha fazla insanın kendi dilinde internete girmesine yardımcı olabilir. Okullar, klinikler, göçmenler ve küçük işletmeler için düşük maliyetli çeviriyi destekleyebilirler. Birçok yerel dilin konuşulduğu ve dijital kaynakların sınırlı olduğu ülkelerde bu önemlidir. UNESCO ve diğer küresel kuruluşlar, internette zayıf temsili olan dillerin dijital dışlanması konusunda uzun zamandır uyarılarda bulunuyor. Yapay zeka bu engeli düşürürse, getireceği fayda gerçektir.

Şimdi de acı gerçek. Aynı eğilim eşitsizliği de derinleştirebilir. Bu sistemler verinin en zengin olduğu yerde en güçlü, en çok ihtiyaç duyulan yerde ise en zayıftır. Çok dilli doğal dil işleme üzerine yapılan araştırmalar defalarca acımasız bir dengesizlik buldu: az sayıda dil verilere, kıyaslamalara ve mühendislik ilgisine hakim durumda. Kaynakları kısıtlı diller, yerli dilleri ve lehçeler genellikle kötü işlenir veya göz ardı edilir. Bir model büyük bir dilde akıcı görünüp bölgesel bir dilde fena halde başarısız olabilir veya yerel anlamları standart formlara indirgeyebilir. Bu teknik bir dipnot değil. Bu bir güç meselesi. Dil; hukuku, kimliği, kültürü ve güveni taşır. Bir hastanede, mahkeme salonunda veya devlet dairesinde yapılan kötü bir çeviri zararsız bir aksaklık değildir.

Yapay zeka endüstrisinin üstünkörü geçmeyi sevdiği bir sorun daha var. Eğer modeller yetenekleri dolaylı olarak öğreniyorsa, test etmek ve kontrol etmek zorlaşır. Geliştiriciler bir sistemi bir amaç için ince ayarlayabilir, ancak yine de başka alanlarda beklenmedik yetenekler veya başarısızlıklarla karşılaşabilirler. Bu her durumda tehlike kanıtı olmasa da, gerçek bir yönetişim sorunudur. Eğer bir şirket, hangi dilsel davranışların hangi verilerden ve eğitim adımlarından ortaya çıktığını net bir şekilde açıklayamazsa, düzenleyiciler ve kullanıcılar bir ürün demosuna sarılmış bir kara kutu ile baş başa kalır.

Cevap panik yapmak ya da körü körüne abartmak değil. Cevap, disiplinli bir şeffaflık. Şirketler, sistemlerinin hangi dillerde güvenilir bir şekilde değerlendirildiğini ve hangilerinde değerlendirilmediğini açıklamalıdır. Bu kulağa basit geliyor, çünkü öyle. Hala çok sayıda yapay zeka ürünü, "çok dilli" yetkinliği sanki geniş ve eşit kalite anlamına geliyormuş gibi pazarlıyor. Ama öyle değil. Kamuya açık kıyaslamalar, özellikle dijital olarak marjinalleştirilmiş olanlar başta olmak üzere daha fazla dili içermelidir. Hükümetler ve üniversiteler, yerel halkın rızası ve katılımıyla, yeterince temsil edilmeyen diller için açık veri setlerine ve değerlendirme araçlarına yatırım yapmalıdır. Eğer çevirinin geleceği dev modeller tarafından şekillendiriliyorsa, halk sadece dünyanın en kârlı dilleri etrafında inşa edilmiş bir sistemi kabul etmek zorunda kalmamalıdır.

Geliştiricilerin ayrıca tek başına ölçeğin bilgelik olduğu gibi davranmaktan vazgeçmesi gerekiyor. Daha büyük modeller etkileyici diller arası kalıpları keşfedebilir, evet. Ancak aynı zamanda önyargıları benimseyebilir, hassas kavramları yanlış çevirebilir veya nüansları yok edebilirler. İnsan çevirmenler, dilbilimciler ve topluluk uzmanları hâlâ önemli. Hatta yapay zeka sistemleri, alıcıları ve yetkilileri kendilerine aşırı güvenmeye itecek kadar yetkin göründüğünde daha da önemli hale geliyorlar. Tehlike, yapay zeka çevirisinin işe yaramaz olması değil. Tehlike, dikkatsizce kullanılacak kadar faydalı olması.

Eski hikaye, makinelerin çeviri yapmasının nedeninin, insanların onlara her adımı açıkça öğretmesi olduğuydu. Yeni hikaye ise daha karmaşık ve daha güçlü. Yapay zeka modelleri, devasa dil öğreniminin bir yan etkisi olarak çeviri yeteneği geliştirebiliyor. Bu, gerçek bir teknik atılım. Aynı zamanda siyasi ve kültürel bir fay hattı da olabilir. Bir makine, nasıl yapılacağı doğrudan söylenmeden diller arasında köprü kurmaya başladığında, bu başarı gerçektir. Sorumluluk da öyle. Çeviri asla sadece kelimelerden ibaret değildir. Mesele, kimin anlamının o geçişten sağ çıktığıdır.